クマ出没を AI で予測する仕組み｜環境データ × 機械学習による警戒システム

2025 年のクマ出没数は過去最多を更新し、2026 年もペースが落ちる気配は見られません。被害件数の増加は、人とクマが接触する機会の増加を意味します。「どこに、いつ、出没しやすいか」を事前に予測する仕組みは、防災・住民安全・行政施策のいずれの観点でも重要性が増しています。

本記事では、AI によるクマ出没予測の仕組みを、データ・モデル・運用の 3 軸で整理します。リサーチコーディネートが運営する「くまウォッチ」も、こうした考え方をベースに設計されたサービスです。

クマ出没予測に使えるデータ

クマ出没予測は、複数種類のデータを統合するマルチモーダルな解析が前提になります。

1. 過去の出没履歴 最も基本的なデータ。位置（緯度経度）、日時、場所の特徴（住宅地、農地、林道、河川敷など）、被害有無、目撃者の情報。自治体や警察への通報データが中心ですが、住民通報アプリのデータも含まれます。

2. 環境データ 気象：気温、降水量、積雪量、風速 地形：標高、傾斜、植生、土地利用、河川・道路の位置 季節要因：春の出没期、夏の繁殖期、秋の食料探し期、冬眠前の蓄え期

3. 食料関連データ 自然食料：山のドングリ・ブナの実の豊凶、果実の生育状況 人為食料：放置された農作物、コンポスト、ごみ置き場の状況 狩猟・捕獲記録：自治体の有害鳥獣対策記録

4. 人間活動データ 登山道の利用状況、農作業時期、観光客の動向、住民の通報パターン

5. 衛星・空撮データ 広域の植生・土地利用変化、雪解け状況、果樹の生育状況

6. リアルタイムデータ 出没通報、カメラトラップ画像、センサー検知、SNS 上の目撃情報

これらを統合することで、「今後 1 週間、どの地域で出没リスクが高いか」を確率的に予測できるようになります。

機械学習モデルの構造

クマ出没予測のモデルは、主に以下のいずれかのアプローチで構築されます。

1. 出没確率マップ（時空間モデル）

地域を細かなグリッド（例：500m × 500m）に分割し、各グリッド × 各時間帯での出没確率を予測する形。

入力：

• グリッドの地形・植生特徴
• 過去の出没履歴の周辺パターン
• 気象・季節データ
• 食料状況指標

出力：

• 各グリッドの出没確率（0〜1）
• リスクレベルの色分けマップ

技術的には、勾配ブースティング（XGBoost、LightGBM）、ランダムフォレスト、ニューラルネットワークなどの組み合わせが一般的です。

2. 時系列予測モデル

「今後 7 日間で、この地域での出没件数はいくつになるか」を予測する時系列モデル。LSTM、Transformer、Prophet などが使われます。

3. 異常検知モデル

「通常パターンから外れた予兆」を検出するアプローチ。出没予兆を捉える発展形として、研究的な取り組みが進んでいます。

4. 個体追跡モデル（高度）

GPS 首輪を装着したクマの行動データから、個体の行動範囲・季節変動を学習。広域での監視データと組み合わせて、個体単位での移動予測を目指す取り組み。研究段階ですが、将来的な可能性が大きい領域です。

予測精度を分けるポイント

実装してみて分かる、精度を分ける現場ポイントを整理します。

1. データの粒度と網羅性 通報があった地点だけが入力データになると、「通報がない地域 ≒ クマがいない地域」と誤学習しがちです。潜在的に出没しうる地域全体のサンプリング設計が重要です。

2. 季節性の捉え方 クマは季節で行動パターンが大きく変わります。春の出没期、夏の山中行動、秋の活発化、冬眠前の蓄え期——年間カレンダーをモデルに織り込まないと、精度が出ません。

3. 食料供給データの取得難 ドングリ・ブナの実の豊凶情報は、最も予測に効くにも関わらず、データとして取得が難しい領域です。研究機関・林業組合・林野庁との連携が必要です。

4. 地域特性 東北・北海道のヒグマ、本州のツキノワグマ、九州・四国の状況は大きく異なります。全国共通モデルではなく、地域別モデルが現実的です。

5. ライブデータの統合 過去の傾向だけでなく、「今日、隣町で出没があった」のような直近情報を取り込むと、予測精度が大きく上がります。

住民・自治体との連携

AI 予測が機能するためには、データ収集と情報配信の両面で、住民・自治体との連携が不可欠です。

住民側の役割：

• 目撃情報の通報（アプリ、電話、SNS）
• 自宅周辺の食料管理（コンポスト、果実、ごみ）
• 注意情報の確認・近隣への共有

自治体側の役割：

• 通報受付窓口の整備
• 警戒区域の指定・通知
• 学校・通学路・観光地への注意喚起
• 専門家・狩猟者との連携

「全国のクマ出没情報をリアルタイム地図化｜くまウォッチ」は、住民通報を地図化して可視化することで、住民が日常的に確認できる形を実現しています。

課題と限界

クマ予測 AI には、まだ多くの限界があります。

1. 個体予測の難しさ 「ある地域で出没しやすい」までは予測できても、「この個体が、明日この時間にこの場所に出る」レベルの予測は、現在の技術ではほぼ不可能です。

2. データの偏り 都市近郊での通報は多く、奥山での実態は分かりにくい。「通報されたかどうか」と「いるかどうか」は別物です。

3. 環境変化への追随 気候変動、森林環境の変化、人口減少による里山管理の変化など、構造的な環境変化が続いています。過去データだけのモデルでは追随しきれない部分があります。

4. プライバシーと情報配信 個人宅で出没が確認された場合、その情報をどこまで公開するか。住民の安全と個人情報のバランスが論点になります。

5. 「予測されたが出ない」「予測外で出る」 完璧な予測は存在しません。「予測精度を盲信せず、実際の現場との照合を続ける運用」が必須です。

まとめ

クマ出没予測 AI は、データ・モデル・運用の 3 つの輪が回って初めて機能します。技術だけ高精度でも、データが集まらなければ意味がなく、配信先の住民・自治体が動かなければ被害防止につながりません。

リサーチコーディネートの「獣医工学ラボ」では、「くまウォッチ」を中心に、野生動物 × AI の研究・サービス開発を進めています。自治体・研究機関・住民コミュニティと連携しながら、人と野生動物の共生を技術で支える取り組みです。

クマ対策・野生動物管理について、新規プロジェクトやリサーチのご相談があれば、お気軽にお問い合わせください。